AI-translated from English; not yet reviewed by a fluent editor.

# Snorkel의 3억 5,000만 달러 투자 유치, AI용 가상 업무 환경 개발 뒷받침

> Snorkel의 신규 투자금은 AI 에이전트가 기업의 도구와 규칙, 기록을 활용해 연습하고 행동과 결과를 평가받는 가상 업무 환경 개발을 뒷받침합니다.

By BIG CHANGE Editorial

Published: 2026-09-22T23:48:28.109Z
Updated: 2026-09-23T03:38:46.383Z
Canonical: https://bigchange.ai/blog/snorkel-ai-training-simulated-workplaces

![A blank monitor and tool tray sit inside an orange-edged controlled training workstation.](https://bigchange.ai/api/media/file/snorkel-training-room-boundary-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE. Illustration of a controlled training workstation with tools and a visible boundary. It does not show a customer system or a production result.

Snorkel AI는 에이전트 학습을 위한 가상 업무 환경을 판매합니다. 이 환경에는 기업 기록과 도구, 규칙이 들어 있으며 에이전트의 행동과 결과를 평가합니다.

9월 22일 Snorkel은 [기업가치 35억 달러 기준으로 3억 5,000만 달러 규모의 시리즈 E 투자 유치를 발표했습니다](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/). 이번 자금 조달은 새로운 소식이지만 제품 방향은 이미 정해져 있었습니다. Snorkel은 2025년에 환경 구축 방법을 설명했고, 현재 Data Series에는 재산·상해보험 인수 심사와 금융 시뮬레이션이 올라와 있습니다. 이번 투자는 업무에 관한 전문가 지식을 학습·평가 인프라로 바꾸는 기존 사업을 뒷받침합니다.

## 핵심 변화

- **달라진 점:** 학습 데이터 공급업체가 기업 업무 과정을 실제로 작동하는 형태로 시뮬레이션해 판매할 수 있습니다. 업무 흐름을 완료하려면 사용 가능한 도구와 기록을 활용해야 합니다.
- **중요한 이유:** 환경을 구축하는 사람들이 유능한 업무가 무엇인지 정의하는 데 관여합니다. 정책 기준치, 필수 승인, 데이터베이스 갱신은 특정 행동에 보상을 주거나 다른 행동을 거부하는 신호가 됩니다. 따라서 분야별 판단은 최종 검토뿐 아니라 학습 과정에도 반영됩니다.
- **지켜볼 점:** Snorkel은 공개 벤치마크 보조금 프로그램을 확대하겠다고 밝혔습니다. 상업용 환경에서는 도구와 규칙, 예외가 구매자의 실제 운영과 얼마나 일치하는지가 핵심입니다. 시뮬레이션의 성공 여부는 그렇게 구성된 업무를 기준으로 측정되기 때문입니다.

## 시뮬레이션 기업 환경의 구성 요소

정적인 데이터세트는 질문과 선호 답변을 짝지을 수 있습니다. 환경 시뮬레이션은 여기에 행동과 결과를 더합니다. 에이전트는 도구를 선택하고 결과를 확인한 뒤 다음 행동을 결정합니다. 데이터베이스가 바뀌거나 가상 사용자가 누락된 정보를 제공할 수 있으며, 정책에 따라 상위 담당자에게 넘겨야 할 수도 있습니다.

[Snorkel이 8월에 설명한 기업 환경](https://snorkel.ai/blog/enterprise-environments-ai-agents/)에 따르면 평가는 답변뿐 아니라 결과 시스템 상태, 권한, 승인, 증거 수집 과정도 확인합니다. 따라서 실제 기록이 바뀌지 않았다면 작업을 완료했다는 주장도 실패로 판정될 수 있습니다.

현재 [기업 환경(Enterprise Environments) 제품 페이지](https://snorkel.ai/data-series/enterprise-environments/)에는 보험 인수 심사와 금융 환경이 제공 가능한 것으로 나와 있으며, 각 환경에는 수천 개의 작업과 가상 사용자가 포함됩니다. 이는 학습용 산출물입니다.

하나의 산출물은 서로 연관된 두 가지 목적에 쓰일 수 있습니다. 팀은 반복 가능한 작업을 통해 에이전트를 평가할 수 있습니다. 또 작업과 보상 신호를 강화학습 루프에 넣어 성공적인 행동이 이후 행동에 영향을 주도록 할 수 있습니다.

## 규칙도 제품의 일부다

Snorkel에 따르면 전문가는 업무 흐름과 성공 기준을 정하고, 엔지니어는 도구와 데이터를 구축합니다. 검증기가 작업 결과를 채점하고, 오라클 에이전트는 유효한 경로가 있는지 확인합니다.

기업별 규칙이 있으면 에이전트는 일반적인 업계 지식에 의존하는 대신 해당 환경을 살펴봐야 합니다.

환경을 만드는 사람은 어떤 예외가 중요한지, 무엇을 완료로 볼지, 어떤 대체 경로를 허용할지 결정합니다. 구매자와 분야 전문가는 이런 선택이 실제 업무를 반영하는지 확인해야 합니다.

## 통제된 테스트에는 경계가 있다

Snorkel의 [2025년 기술 설명](https://snorkel.ai/blog/snorkeling-in-rl-environments/)에 따르면 이 환경은 실제 시스템을 대표하는 서비스와 스키마를 사용하고, 실제 데이터 대신 합성 또는 익명화 데이터를 넣습니다. 이 통제된 방식으로 고객 기록을 건드리지 않고도 작업을 반복하고 데이터베이스 변경을 살펴보며 금지된 행동을 시험할 수 있습니다.

이 결과는 인코딩된 업무 흐름에서의 성능을 보여 주는 증거입니다. Snorkel의 자료는 작업을 구성하고 검증하는 방법을 설명하지만, 상업용 시뮬레이션 점수가 실제 보험 인수 심사나 금융 업무의 신뢰성과 연결되는지를 다룬 독립 연구는 제시하지 않습니다. 실제 도입의 성패는 시뮬레이션이 현실의 도구와 데이터, 예외 상황을 얼마나 정확히 담았는지에 달려 있습니다.

## 투자금이 뒷받침하는 것

Snorkel은 라벨이 붙은 데이터세트를 개발하는 시스템으로 출발했습니다. 최근에는 전문가 지식을 환경과 평가기, 학습 작업으로 묶어 제공합니다. 이 변화로 AI 기술 스택에 업무 자체를 구성한 모델이 새롭게 자리 잡습니다. 여기에는 에이전트가 일을 제대로 했는지 판단하는 규칙도 포함됩니다.

분야 전문가에게는 작업 정의와 검증이 모델 개발에 더 가까워집니다. 구매자에게는 사양의 품질도 구매의 일부가 됩니다. Snorkel은 Open Benchmarks Grants 프로그램을 확대하겠다고 밝혔습니다. 이를 통해 더 많은 환경 구축과 채점 방식을 공개적으로 살펴볼 수 있을지 모릅니다. 다만 이번 투자 발표는 다음 보조금의 내용이나 조건을 구체적으로 밝히지 않습니다.

## Sources

- [Snorkel AI: Data 2.0과 AI 데이터 연구 시대](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/) — CEO Alex Ratner는 3억 5,000만 달러 규모의 시리즈 E 투자 유치와 35억 달러 기업가치를 발표하고 Open Benchmarks Grants 프로그램을 확대하겠다고 밝혔습니다. 모델 능력, 재귀적 개선, 시장 방향에 관한 더 넓은 주장은 독립 연구 결과가 아니라 회사의 견해입니다.
- [Snorkel AI: 기업 환경과 실제 업무 흐름을 위한 AI 에이전트 학습](https://snorkel.ai/blog/enterprise-environments-ai-agents/) — 가상 기업의 구성 요소, 전문가와 엔지니어의 구축 역할, 오라클 경로 확인, 기업별 규칙, 답변·상태·안전·절차에 대한 평가를 설명합니다. 보험 사례는 학습용 산출물이며 실제 현장 배포 사례로 문서화된 것은 아닙니다.
- [Snorkel Data Series: Enterprise Environments](https://snorkel.ai/data-series/enterprise-environments/) — 현재 제품 페이지에는 재산·상해보험 인수 심사 및 금융 환경이 제공 가능한 것으로 나와 있습니다. 여기에는 수천 개의 작업과 데이터베이스, 정책 문서, 분야별 도구, 가상 사용자가 포함됩니다. 이 페이지에는 기사에서 다루는 성능 및 실제 업무 전환 주장을 뒷받침할 방법론이 충분히 제시돼 있지 않아 해당 주장은 포함하지 않았습니다.
- [Snorkel AI: 강화학습 환경 구성하기](https://snorkel.ai/blog/snorkeling-in-rl-environments/) — 환경의 맥락과 행동, 상태, 평가 신호를 설명하고 시뮬레이션 평가와 강화학습 체육관을 구분합니다. 대표 서비스와 스키마, 합성·익명화 데이터, 검증기, 전문가 검토도 다룹니다. 이 자료는 공개된 방법을 설명할 뿐 실제 운영 환경의 신뢰성을 입증하지는 않습니다.